Cursus
ARIMA-modellen in Python
GevorderdVaardigheidsniveau
Bijgewerkt 11-2023
PythonMachine Learning4 u15 videos57 Opdrachten4,850 XP24,880Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Tijdreeksgegevens
Begin met de basis van tijdreeksgegevens, zoals het idee van stationariteit – superbelangrijk als je met ARMA-modellen werkt. Je leert hoe je stationariteit zowel visueel als statistisch kunt testen, ARMA-gegevens kunt genereren en ARMA-modellen kunt aanpassen om een stevige basis te krijgen.Statsmodels-pakket
Naarmate je vordert, kun je het krachtige Statsmodels-pakket verkennen voor het aanpassen van ARMA-, ARIMA- en ARMAX-modellen. Je gaat zelf aan de slag met je modellen om toekomstige waarden, zoals aandelenkoersen, te voorspellen.Door deze concepten makkelijk te begrijpen en toe te passen, ontdek je hoe je voorspellingen kunt doen die een stap voor zijn, dynamische prognoses kunt maken en ARIMA-modellen direct op je data kunt toepassen.
ACF- en PACF-grafieken
Een van de hoogtepunten is dat je leert hoe je het beste model kiest met behulp van ACF- en PACF-grafieken om veelbelovende modelordes te vinden. Je leert over dingen als AIC en BIC voor het kiezen van modellen en diagnostiek, zodat je je modellen helemaal kunt perfectioneren..SARIMA-modellen
De cursus eindigt met seizoensgebonden ARIMA-modellen (SARIMA), die ideaal zijn voor het verwerken van gegevens met seizoenspatronen. Je leert tijdreeksgegevens op te splitsen in seizoensgebonden en niet-seizoensgebonden componenten en je ARIMA-vaardigheden toe te passen in een wereldwijde voorspellingsuitdaging.Dit eindproject brengt alles samen, zodat je een goed begrip krijgt van ARIMA-modellering.
Vereisten
Supervised Learning with scikit-learn1
ARMA-modellen
Duik er meteen in en leer de belangrijkste eigenschappen van tijdreeksen kennen. Je leert over stationariteit en waarom dit belangrijk is voor ARMA-modellen. Je leert stationariteit beoordelen op het oog en met een standaard statistische test. Tot slot leer je de basisstructuur van ARMA-modellen en gebruik je die om ARMA-data te genereren en een ARMA-model te fitten.
2
De toekomst fitten
Wat je in dit hoofdstuk te wachten staat, is dat jij gaat voorspellen wat jouw data te wachten staat. Je leert hoe je het elegante statsmodels-pakket gebruikt om ARMA-, ARIMA- en ARMAX-modellen te fitten. Daarna gebruik je je modellen om de onzekere toekomst van aandelenkoersen te voorspellen!
3
De beste van de beste modellen
In dit hoofdstuk word je een modelleur met een scherpe smaak. Je leert hoe je veelbelovende modelordes uit de data zelf herkent en, zodra de meest kansrijke modellen zijn getraind, hoe je het beste model uit deze gefitte selectie kiest. Je leert ook een sterke aanpak om je tijdreeksprojecten te structureren.
4
Seizoensgebonden ARIMA-modellen
In dit laatste hoofdstuk leer je seizoensgebonden ARIMA-modellen gebruiken om complexere data te fitten. Je leert hoe je deze data opsplitst in seizoensgebonden en niet-seizoensgebonden delen, en vervolgens krijg je de kans om al je ARIMA-tools toe te passen in één laatste wereldwijde voorspeluitdaging.
ARIMA-modellen in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met ARIMA-modellen in Python!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.